随着 ChatGPT、Claude、Gemini 等大语言模型快速发展，AI 正在经历一次重要转变。
过去我们更多讨论的是“大模型能力”，例如模型参数规模、上下文长度、推理能力以及生成质量。但进入 2025 年之后，AI 行业关注重点逐渐从“模型本身”转向“模型如何完成任务”。
这也是 AI Agent（人工智能智能体）快速升温的重要原因。
相比传统聊天机器人，AI Agent 最大的区别在于，它不只是回答用户提出的问题，而是能够理解目标、拆解任务、调用工具、执行操作，并根据结果不断调整自己的行动路径。
例如，一个普通 AI 可以告诉你如何制作一份市场分析报告，而一个 AI Agent 可以主动收集数据、整理资料、生成分析结果，甚至调用外部工具完成整个流程。
不过，很多初学者也遇到了新的学习困难：
- AI Agent 到底是什么？
- 它和 ChatGPT 有什么区别？
- Agent 的核心架构如何设计？
- Memory、Planning、Tool Calling 分别解决什么问题？
- 如何构建属于自己的 AI Agent？
这些问题涉及大模型、软件工程、产品设计等多个领域，对于刚接触 AI Agent 的用户来说，并不容易系统理解。
因此，软件格律诗 给大家推荐一下这个名为 “100 Questions of AI Agent” 的开源项目出现了。
它希望通过 100 个问题的形式，将 AI Agent 相关知识进行结构化整理，帮助开发者、产品经理以及 AI 爱好者快速建立完整认知体系。
100 Questions of AI Agent 是什么？
100 Questions of AI Agent 是一套围绕 AI Agent 构建的系统化学习资料库，一份面向 AI Agent 学习者的知识体系整理项目。
项目作者通过 100 个核心问题，对 AI Agent 从基础概念到高级实践进行了拆解。相比传统教程按照章节讲解理论，这种“问题驱动”的学习方式更加贴近实际探索过程。
因为很多人在学习 AI Agent 时，并不是缺少资料，而是不知道：
应该先理解什么；不同概念之间有什么关系；真正开发 Agent 时需要关注哪些核心模块。
例如：
- “什么是 AI Agent？”
- “Agent 为什么需要规划能力？”
- “为什么大模型需要工具调用？”
- “Memory 在 Agent 中到底有什么作用？”
- “多 Agent 系统为什么会出现？”
这些问题看似简单，但背后涉及大量 AI 工程实践。100 Questions of AI Agent 的价值，就是把这些关键问题整理出来，让学习路径更加清晰。
文档列表
| 《关于 Loop Engineering 的 100 个问题》 | ||
| 第 1 章：基础认知与定位 | 链接 | ✓ 已发布 |
| 第 2 章：loop 的组成与运行机制 | 链接 | ✓ 已发布 |
| 第 3 章：踩坑与反模式 | 链接 | ✓ 已发布 |
| 第 4 章：验证质量与成本控制 | 链接 | ✓ 已发布 |
| 第 5 章：工程落地与真实工作流 | 链接 | ✓ 已发布 |
| 第 6 章：边界争议与未来判断 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 64648 | 日期：2026 年 07 月 01 日 |
| 《关于 WorkBuddy 的 100 个问题》 | ||
| 第 1 章：基础认知与定位 | 链接 | ✓ 已发布 |
| 第 2 章：核心架构与关键机制 | 链接 | ✓ 已发布 |
| 第 3 章：新手踩坑与反模式 | 链接 | ✓ 已发布 |
| 第 4 章：结果验证与稳定性 | 链接 | ✓ 已发布 |
| 第 5 章：真实办公流与场景实战 | 链接 | ✓ 已发布 |
| 第 6 章：边界、替代与未来判断 | 链接 | ✓ 已发布 |
| 第 7 章：参考资料 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 22000 | 日期：2026 年 07 月 03 日 |
| 《关于 Codex 的 100 个问题》 | ||
| 第 1 章：基础认知与定位 | 链接 | ✓ 已发布 |
| 第 2 章：第一次上手与核心机制 | 链接 | ✓ 已发布 |
| 第 3 章：踩坑与反模式 | 链接 | ✓ 已发布 |
| 第 4 章：进阶：Skill·MCP·插件·自动化·操控电脑 | 链接 | ✓ 已发布 |
| 第 5 章：场景实战 | 链接 | ✓ 已发布 |
| 第 6 章：边界、替代与反思 | 链接 | ✓ 已发布 |
| 第 7 章：参考资料 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 78000 | 日期：2026 年 07 月 04 日 |
| 《关于 AI 产品经理的 100 个问题》 | ||
| 第 1 章：角色定位：AI PM 到底是谁 | 链接 | ✓ 已发布 |
| 第 2 章：核心能力：Agent/RAG/Evals/飞轮/UX 五件套 | 链接 | ✓ 已发布 |
| 第 3 章：踩坑与反模式 | 链接 | ✓ 已发布 |
| 第 4 章：验证与质量 | 链接 | ✓ 已发布 |
| 第 5 章：工程落地 | 链接 | ✓ 已发布 |
| 第 6 章：边界与未来 | 链接 | ✓ 已发布 |
| 第 7 章：参考资料 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 62000 | 日期：2026 年 07 月 07 日 |
| 《关于飞书 CLI 的 100 个问题》 | ||
| 第 1 章：认知颠覆 | 链接 | ✓ 已发布 |
| 第 2 章：杀手级场景 | 链接 | ✓ 已发布 |
| 第 3 章：三层架构与安全机制 | 链接 | ✓ 已发布 |
| 第 4 章：安装配置与认证踩坑 | 链接 | ✓ 已发布 |
| 第 5 章：自动化工作流与进阶实战 | 链接 | ✓ 已发布 |
| 第 6 章：跨平台对比与边界反思 | 链接 | ✓ 已发布 |
| 第 7 章：参考资料 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 57000 | 日期：2026 年 07 月 12 日 |
| 《关于 vibe Coding 的 100 个问题》 | ||
| 第 1 章：认知与定位：它是什么、你怕不怕 | 链接 | ✓ 已发布 |
| 第 2 章：上手第一步：从想法到第一句指令 | 链接 | ✓ 已发布 |
| 第 3 章：把想法变成能跑的东西 | 链接 | ✓ 已发布 |
| 第 4 章：从能跑到能上线 | 链接 | ✓ 已发布 |
| 第 5 章：翻车与安全：一周三起灾难的真相 | 链接 | ✓ 已发布 |
| 第 6 章：质量与可控：做出来的东西经得起用 | 链接 | ✓ 已发布 |
| 第 7 章：边界、角色与未来 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 34500 | 日期：2026 年 07 月 14 日 |
| 《关于 FDE 的 100 个问题》 | ||
| 第 1 章：决策——黄金机会还是旧岗位包装 | 链接 | ✓ 已发布 |
| 第 2 章：FDE 到底是个什么角色 | 链接 | ✓ 已发布 |
| 第 3 章：FDE 需要哪些能力 | 链接 | ✓ 已发布 |
| 第 4 章：我该怎么转进去 | 链接 | ✓ 已发布 |
| 第 5 章：为什么真实落地比想象难十倍 | 链接 | ✓ 已发布 |
| 第 6 章：转行后能做成什么真东西 | 链接 | ✓ 已发布 |
| 第 7 章：FDE 是过渡角色吗、往哪走才不白干 | 链接 | ✓ 已发布 |
| 作者：AI 磊叔 | 字数：约 39800 | 日期：2026 年 07 月 18 日 |
为什么 AI Agent 值得系统学习？
过去几年，生成式 AI 的发展主要围绕大语言模型展开。
用户输入：
↓
模型理解
↓
生成回答
这种模式改变了人机交互方式。
但它仍然存在明显限制。模型本身并不知道真实世界正在发生什么，也无法主动完成复杂任务。
例如：
你让 AI：
“帮我分析一家公司的竞争情况。”
普通聊天模式下，它只能根据已有知识生成分析。但真正的 Agent 系统可以：搜索最新资料；读取企业数据；调用分析工具；整理结果；生成报告。
这就是 Agent 化趋势。
目前，AI Agent 已经成为开发者社区重点关注方向，微软等公司也推出了面向开发者学习 AI Agent 的系统课程，帮助开发者理解 Agent 架构、工具调用以及实际构建流程。
100 Questions of AI Agent 核心内容特点
1. 通过 100 个问题建立完整知识框架
这个项目最大的特点，就是采用问题驱动方式组织内容。
相比传统文档：
- 第一章介绍概念；
- 第二章介绍架构；
- 第三章介绍应用。
问题式学习更加符合实际思考过程。用户可以围绕具体问题深入理解。
为什么需要 Agent？
答案会引出：
- 大模型能力边界；
- 自动规划需求；
- 工具调用机制。
为什么 Agent 需要 Memory？
会进一步涉及：
- 上下文管理；
- 长期记忆；
- 用户偏好保存。
这种学习方式能够帮助用户理解知识之间的关联，而不是单纯记忆概念。
2. 覆盖 AI Agent 核心技术模块
虽然 AI Agent 看起来只是一个聊天助手，但真正构建一个 Agent 系统，需要多个技术模块协同。
100 Questions of AI Agent 围绕这些核心方向展开。
Agent 基础概念
首先需要理解：什么是 Agent？
传统程序：输入固定；执行固定逻辑；输出结果。
而 Agent：
理解目标；自主规划；选择行动；
根据反馈调整。这是两种完全不同的软件设计理念。
Planning（任务规划）
复杂任务无法一步完成。
例如：“帮我写一篇行业研究报告。”
Agent 需要拆解：
- 第一步：寻找行业资料。
- 第二步：整理竞争数据。
- 第三步：分析趋势。
- 第四步：生成报告。
Planning 模块就是负责这种任务拆解。
Tool Calling（工具调用）
这是现代 Agent 的核心能力之一。
大模型本身只能处理文本。
如果想：搜索网页；查询数据库；操作文件；调用 API。
就需要工具调用能力。Agent 根据任务需求选择工具，然后执行动作。
Memory（记忆系统）
如果 AI 每次交流都是新的，它很难成为真正助手。
Memory 解决的是：如何保存上下文；如何理解用户长期需求；如何积累经验。
例如：一个个人 AI 助手应该知道：用户职业；工作习惯；常用工具；历史任务。
Multi-Agent（多智能体）
随着任务复杂度提升，一个 Agent 可能无法完成所有工作。于是出现 Multi-Agent 架构。
例如：一个 Agent 负责搜索；一个 Agent 负责分析；一个 Agent 负责写作。多个 Agent 协作完成复杂任务。
3. 面向不同类型学习者
100 Questions of AI Agent 并不是只针对程序员。
它适合：
AI 开发者
帮助理解：
- Agent 架构；
- 技术组件；
- 工程实现。
产品经理
帮助理解：
- AI 产品未来形态；
- Agent 应用场景；
- 用户需求变化。
普通 AI 爱好者
帮助建立：
从使用 AI 工具，到理解 AI 系统运行方式的认知升级。
适合哪些人收藏？
想入门 AI Agent 的开发者
如果你已经了解 Python、API 调用和大模型基础，那么这份资料可以帮助你快速进入 Agent 开发领域。
正在做 AI 产品的人
很多 AI 产品未来都会加入 Agent 能力。
理解 Agent 机制，可以帮助产品设计更加合理。
内容创作者和科技爱好者
随着 AI Agent 成为新的技术热点，系统理解相关概念，有助于持续跟踪行业发展。
我的使用感受
从内容组织方式来看，100 Questions of AI Agent 最大的优势是降低了学习门槛。
目前关于 AI Agent 的资料非常多，但很多内容存在两个问题：
第一，过于偏理论。大量文章介绍概念，却没有告诉读者这些概念为什么存在。
第二，过于偏实践。很多教程直接进入代码开发，但没有解释背后的设计思想。
而这个项目采用问题形式，将理论和实践之间建立了一座桥梁。对于刚开始关注 AI Agent 的用户来说，它更像是一张学习地图。你不一定需要一次性读完 100 个问题，而可以根据自己的兴趣逐步深入。
当然，它并不是完整替代开发文档的工具。如果真正开发商业级 Agent，仍然需要学习：模型调用；框架设计；数据库；部署架构；安全控制。
但作为 AI Agent 入门和知识整理项目，它具有不错的参考价值。这些组成了现代 Agent 的核心流程。
总结：AI Agent 时代，需要的不只是会用 AI，更需要理解 AI 如何工作
过去几年，AI 工具的发展重点是降低使用门槛。用户只需要输入一句话，就能获得文本、图片、代码等内容。
但未来 AI 的竞争方向，很可能会从“生成内容”转向“完成任务”。而 AI Agent 正是连接模型能力和真实世界任务的重要桥梁。
100 Questions of AI Agent 虽然不是一个完整的软件工具，但它提供了一种非常有价值的学习方式：通过 100 个关键问题，帮助用户理解 AI Agent 的核心思想、技术组成以及未来发展方向。
对于希望进入 AI Agent 领域的开发者、产品经理以及科技爱好者来说，这是一份值得收藏的开源学习资料。
官方网站
GitHub：
https://github.com/akira82-ai/100-questions-of-ai-agent
知识库：
https://my.feishu.cn/wiki/FC6ZwnwWWi0dWpke56act61gnUd
